Qu'est-ce que MUM et comment cela affecte la recherche par IA ?

Comprendre MUM : le Multitask Unified Model de Google

MUM (Multitask Unified Model) est un cadre d’intelligence artificielle révolutionnaire développé par Google et annoncé en mai 2021. Il représente une avancée majeure dans la manière dont les moteurs de recherche comprennent et traitent les requêtes complexes des utilisateurs. Contrairement aux modèles d’IA précédents qui se concentraient principalement sur la compréhension du texte, MUM est un système d’IA multimodal et multilingue capable de traiter simultanément des informations issues de textes, d’images, de vidéos et de fichiers audio. Ce changement technologique fondamental a des implications profondes pour la façon dont les moteurs de recherche IA délivrent les résultats et la manière dont les utilisateurs interagissent avec les plateformes de recherche.

L’innovation principale derrière MUM réside dans sa capacité à comprendre le contexte et la nuance d’une manière que les modèles précédents ne pouvaient pas atteindre. L’équipe de recherche de Google a construit MUM en utilisant le cadre T5 text-to-text, le rendant environ 1 000 fois plus puissant que BERT, son prédécesseur. Cette capacité accrue permet à MUM non seulement de comprendre le langage mais aussi de le générer, créant ainsi une compréhension plus complète de l’information et des connaissances du monde. Le modèle a été entraîné dans 75 langues différentes et sur de nombreuses tâches simultanément, lui permettant de développer une compréhension plus sophistiquée de la façon dont l’information se relie à travers différents contextes, cultures et formats.

Comment MUM traite les requêtes de recherche complexes

La façon dont MUM traite les requêtes de recherche diffère fondamentalement des algorithmes de recherche traditionnels. Lorsqu’un utilisateur soumet une requête complexe, MUM analyse plusieurs interprétations possibles en parallèle au lieu de se limiter à une seule compréhension. Cette capacité de traitement parallèle signifie que le système peut extraire des idées fondées sur une connaissance approfondie du monde tout en identifiant simultanément des questions connexes, des comparaisons et des sources de contenu diverses. Par exemple, si quelqu’un demande “J’ai gravi le mont Adams et je veux maintenant gravir le mont Fuji l’automne prochain, que dois-je faire pour me préparer ?”, MUM comprend que cette requête implique la comparaison de deux montagnes, nécessite des informations sur l’altitude et les sentiers, et inclut des aspects de préparation tels que l’entraînement physique et le choix du matériel.

MUM utilise la technologie de correspondance séquence-à-séquence qui analyse l’intégralité des requêtes comme des séquences complètes plutôt que d’associer des mots-clés individuels à des entrées de base de données. Le système convertit l’entrée de recherche en vecteurs de grande dimension qui représentent la signification sémantique, puis compare ces vecteurs au contenu de l’index de Google. Cette compréhension sémantique basée sur les vecteurs permet à MUM de retrouver des résultats en fonction de la signification réelle plutôt que d’une simple correspondance de termes. De plus, MUM utilise le transfert de connaissances entre les langues, ce qui lui permet d’apprendre à partir de sources écrites dans des langues différentes de celle de la recherche de l’utilisateur et de transmettre ces informations dans la langue de son choix.

Compréhension multimodale et son impact

L’une des capacités les plus transformatrices de MUM est sa compréhension multimodale, ce qui signifie qu’il peut traiter et comprendre des informations provenant de différents formats simultanément. Cela diffère fondamentalement des technologies de recherche précédentes qui traitaient texte, images et vidéo comme des flux de données séparés. Avec MUM, un utilisateur pourrait théoriquement prendre une photo de ses chaussures de randonnée et demander “puis-je utiliser celles-ci pour gravir le mont Fuji ?” et le système comprendrait à la fois l’image et la question, fournissant une réponse intégrée qui relie l’information visuelle à la connaissance contextuelle.

Cette approche multimodale a des implications significatives sur la façon dont le contenu apparaît dans les résultats de recherche. Plutôt que d’afficher une simple liste de liens bleus, les résultats de recherche alimentés par MUM deviennent de plus en plus visuels et interactifs. Les utilisateurs voient désormais des carrousels d’images intégrés, des vidéos embarquées avec des repères temporels, des photos de produits zoomables et des superpositions contextuelles qui fournissent de l’information sans nécessiter de clics. L’expérience de recherche elle-même devient plus immersive et exploratoire, avec des fonctionnalités comme les panneaux “À savoir” qui décomposent des requêtes complexes en sous-thèmes digestes, chacun avec des extraits pertinents et des éléments visuels.

Briser les barrières linguistiques dans la recherche IA

La langue a traditionnellement constitué une barrière significative à l’accès à l’information, mais MUM change fondamentalement cette dynamique. La capacité du modèle à transférer des connaissances entre les langues signifie que des informations utiles écrites en japonais sur le mont Fuji peuvent désormais enrichir les résultats de recherche pour des requêtes en anglais sur le même sujet. Ce transfert de connaissances interlinguistique ne se contente pas de traduire du contenu ; il comprend les concepts et l’information dans une langue et applique cette compréhension pour fournir des résultats dans une autre langue.

Cette capacité a des implications profondes pour l’accès global à l’information. Lors d’une recherche sur la visite du mont Fuji, les utilisateurs peuvent désormais voir des résultats sur les meilleurs points de vue, les onsen locaux (sources chaudes) et les boutiques de souvenirs populaires—des informations plus couramment trouvées lors d’une recherche en japonais. Le système démocratise ainsi l’accès à l’information qui était auparavant verrouillée derrière des barrières linguistiques. Pour les créateurs de contenu et les marques, cela signifie que les stratégies de contenu multilingue deviennent de plus en plus importantes, car votre contenu dans une langue peut désormais influencer les résultats de recherche dans d’autres langues.

Réduire la friction de recherche grâce à des résultats complets

L’un des objectifs principaux de MUM est de réduire le nombre de recherches que les utilisateurs doivent effectuer pour obtenir des réponses complètes. Les études ont montré que les utilisateurs émettaient en moyenne huit requêtes différentes pour des tâches complexes. Avant MUM, si quelqu’un voulait comparer la randonnée du mont Adams à celle du mont Fuji, il devait rechercher les différences d’altitude, les températures moyennes, la difficulté des sentiers, le matériel requis, les recommandations d’entraînement et plus encore. Chaque recherche nécessitait de cliquer sur plusieurs résultats et de synthétiser les informations issues de différentes sources.

Avec MUM, le système tente d’anticiper ces questions de suivi et de fournir des informations complètes dans un seul résultat de recherche. La page de résultats devient un hub d’information unifié qui répond à de multiples aspects du besoin sous-jacent de l’utilisateur. Ce changement a des implications importantes pour la façon dont les marques et les créateurs de contenu envisagent la visibilité. Plutôt que d’optimiser pour des classements de mots-clés individuels, le succès dépend de plus en plus de l’intégration à des grappes thématiques complètes qui répondent à l’intention de l’utilisateur sous plusieurs angles. Le contenu qui fournit des informations approfondies et structurées sur divers aspects d’un sujet a plus de chances d’être mis en avant par MUM.

Données structurées et compréhension des entités

L’efficacité de MUM dépend fortement des données structurées et de la reconnaissance des entités. Le système utilise le balisage de schéma et les informations structurées pour mieux comprendre le contenu et la façon dont différentes informations sont reliées entre elles. Cela signifie que la mise en place d’un balisage de schéma approprié—tel que les schémas FAQPage, HowTo, Article et VideoObject—devient de plus en plus importante pour la visibilité dans les résultats de recherche alimentés par MUM.

Au-delà de la simple mise en œuvre de schémas, MUM se concentre sur la construction d’entités et l’autorité thématique. Plutôt que de se concentrer sur des mots-clés individuels, les stratégies de contenu efficaces visent désormais à établir des sujets clés ou des entités pertinentes pour votre secteur. Par exemple, au lieu d’optimiser pour le seul mot-clé “CRM pour petites entreprises”, une approche complète établirait des entités liées comme gestion de la relation client, automatisation des ventes, gestion des leads, support client et gestion des données clients. Cette approche basée sur les entités aide MUM à comprendre toute l’étendue de votre expertise et à mettre en avant votre contenu sur un éventail plus large de requêtes connexes.

Implications pour la visibilité dans la recherche IA

L’essor de MUM et de modèles d’IA multimodaux similaires a des implications importantes pour la façon dont les marques apparaissent dans les résultats de recherche alimentés par l’IA. Les métriques SEO traditionnelles telles que les taux de clics et les classements individuels de pages deviennent moins pertinentes lorsque les utilisateurs peuvent consommer des informations complètes directement dans les résultats de recherche sans visiter de site web. Cela crée à la fois des défis et des opportunités pour les créateurs de contenu et les marques.

Le défi réside dans le fait que les utilisateurs peuvent trouver des réponses à leurs questions sans jamais visiter votre site web. L’opportunité, c’est qu’être mis en avant dans ces résultats riches et multimodaux—par le biais d’extraits optimisés, de carrousels vidéo, de galeries d’images et de panneaux de connaissances—apporte visibilité et autorité à la marque même sans trafic direct. Cela nécessite un changement fondamental dans la mesure du succès. Plutôt que de se concentrer uniquement sur les métriques de trafic, les marques doivent développer de nouveaux indicateurs clés qui reflètent la visibilité dans les résultats de recherche, les mentions de la marque dans les réponses générées par IA et l’engagement avec les formats de contenu multimodaux.

Préparer son contenu pour la recherche alimentée par MUM

Pour optimiser le contenu pour MUM et des modèles d’IA similaires, les stratégies de contenu doivent évoluer dans plusieurs directions clés. Premièrement, le contenu doit devenir véritablement multimodal, en intégrant des images de haute qualité, des vidéos, des infographies et des éléments interactifs en plus du texte. Deuxièmement, le contenu doit être structuré avec des relations sémantiques claires, en utilisant une hiérarchie de titres appropriée, un balisage de schéma et des liens internes pour établir des connexions thématiques. Troisièmement, les créateurs de contenu doivent se concentrer sur une couverture thématique complète plutôt que sur l’optimisation de mots-clés individuels, en répondant à l’ensemble des questions et besoins des utilisateurs relatifs à un sujet.

En outre, les marques doivent envisager des stratégies de contenu multilingues qui tiennent compte de la capacité de MUM à transférer des connaissances entre les langues. Cela ne signifie pas forcément traduire chaque contenu, mais plutôt comprendre comment les informations dans différentes langues peuvent se compléter et servir des audiences mondiales. Enfin, le contenu doit être conçu en tenant compte de l’intention utilisateur et du parcours d’achat, en répondant aux questions que les utilisateurs pourraient se poser à différentes étapes de leur processus de décision, de la prise de conscience initiale jusqu’à la décision d’achat finale.

L’émergence de MUM et de modèles d’IA multimodaux similaires représente un changement fondamental dans la façon dont les moteurs de recherche comprennent et délivrent l’information. En traitant simultanément plusieurs formats et langues, ces systèmes peuvent fournir des résultats plus complets, contextuels et utiles. Pour les marques et les créateurs de contenu, réussir dans ce nouvel environnement nécessite d’aller au-delà de l’optimisation traditionnelle des mots-clés pour adopter des stratégies de contenu multimodales, topiquement complètes et sémantiquement riches qui répondent à l’intention de l’utilisateur à travers divers formats et langues.